面向单次像素级语义分割离群检测的能源感知 NECO
计算机视觉与模式识别
2026-05-29 v1 人工智能
机器人学
摘要
可靠的移动机器人语义分割任务要求同时实现准确的稠密预测和分布迁移下的鲁棒不确定性估计。诸如蒙特卡罗 Dropout 等强不确定性基线方法往往需要多次随机前向传播，在边缘平台上部署困难。我们提出能源感知 NECO，是一种用于语义分割的单次像素级离群分布 (OOD) 检测器。该方法将从解码器特征中计算的中心化 NECO 风格几何比率与基于逻辑的能量分数相结合。两个组件均使用在纯类分布验证集上拟合的统计数据进行标准化处理，并通过凸组合进行融合。在使用真实像素级 OOD 标签评估 miniMUAD 子集的过程中，所提出的混合得分实现了 0.8539 的 AUROC，显著优于 NECO 单一方法 (0.8280)、能量单一方法 (0.8171) 以及集成预测熵基线方法 (0.8124)。此外，额外的定性分析和 operating-point 分析表明，混合检测器在保持单次设计效率优势的同时，提高了整体排名性能。代码已公开于 https://github.com/boyuan-zhangx/Energy-Aware_NECO
引用
@article{arxiv.2605.29773,
title = {Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation},
author = {Boyuan Zhang and Huanshan Huang and Yifei Cao},
journal= {arXiv preprint arXiv:2605.29773},
year = {2026}
}
备注
7 pages, 6 figures. Accepted at the ICRA 2026 Workshop on Long-term Deployments in the Wild (LoWi 2026)